[发明专利]一种海思无NPU硬件上实现的卷积神经网络方法

权利要求书

1.一种海思无NPU硬件上实现的卷积神经网络方法，包括以下步骤：

S1、修改网络结构

修改网络结构中的卷积单元，所述卷积单元包括卷积层、池化层、反卷积层和激活层；

通过多个卷积单元设计出YOLO或SSD网络模型；

S2、训练网络模型

使用8位图像作为YOLO或SSD网络模型的输入，对YOLO或SSD网络模型进行训练，使得卷积单元中的卷积层、池化层、反卷积层和激活层中的每一层的输出均通过激活函数变换为8位数据，卷积核也使用8位进行存储；

S3、使用训练好的YOLO或SSD网络模型通过IVE算子设计前向运算。

2.如权利要求1所述的海思无NPU硬件上实现的卷积神经网络方法，其特征在于，所述卷积单元的卷积层后增加量化层，量化层将网络权重量化到[-128-128]，在存储时候，网络权重存储量化后的数据。

3.如权利要求1所述的海思无NPU硬件上实现的卷积神经网络方法，其特征在于，所述激活函数为8位算子。

4.如权利要求1所述的海思无NPU硬件上实现的卷积神经网络方法，其特征在于，所述卷积层均采用5*5卷积。

5.如权利要求1所述的海思无NPU硬件上实现的卷积神经网络方法，其特征在于，所述池化层为最大池化层，最大池化层使用最大值滤波加间隔拷贝来替代。

6.如权利要求1所述的海思无NPU硬件上实现的卷积神经网络方法，其特征在于，所述步骤S3中的前向运算包括以下步骤：

卷积层使用海思硬件算子HI_MPI_IVE_Sobel来实现，该硬件算子完成8位数据的5*5模板卷积运算，得到16位数据；

激活层使用海思硬件算子HI_MPI_IVE_16BitTo8Bit将卷积运算的结果转换为8位数据；

池化层首先使用海思硬件算子HI_MPI_IVE_OrdStatFilter完成对激活函数处理后的数据的最大值滤波，然后使用HI_MPI_IVE_DMA函数来实现下采样；

反卷积层使用HI_MPI_IVE_ReSize来对数据进行放大，部分不支持HI_MPI_IVE_ReSize的硬件使用VGS缩放功能来实现。

7.如权利要求6所述的海思无NPU硬件上实现的卷积神经网络方法，其特征在于，所述反卷积层使用线性插值来替代HI_MPI_IVE_ReSize对数据进行放大。